Чиркова Надежда Александровна
- Приглашенный преподаватель:Факультет компьютерных наук / Департамент больших данных и информационного поиска
- Старший научный сотрудник, Научный сотрудник:Факультет компьютерных наук / Департамент больших данных и информационного поиска / Центр глубинного обучения и байесовских методов
- Начала работать в НИУ ВШЭ в 2016 году.
- Научно-педагогический стаж: 3 года.
Образование
Бакалавриат, магистратура: Московский государственный университет им. М.В. Ломоносова, специальность «Прикладная математика и информатика», квалификация «Бакалавр»
Достижения и поощрения
- Благодарность Факультета компьютерных наук НИУ ВШЭ (август 2018)
- Лучший преподаватель – 2019
Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)
Категория "Новые исследователи" (2018)
Учебные курсы (2020/2021 уч. год)
- Байесовские методы в анализе данных (Магистратура; где читается: Факультет компьютерных наук; 2-й курс, 1 модуль)Рус
- Введение в анализ данных (Майнор; где читается: Факультет компьютерных наук; 3, 4 модуль)Рус
- Машинное обучение (Бакалавриат; где читается: Факультет экономических наук; 4-й курс, 1, 2 модуль)Рус
- Машинное обучение (Бакалавриат; где читается: Факультет экономических наук; 3-й курс, 1, 2 модуль)Рус
- Машинное обучение (Бакалавриат; где читается: Факультет экономических наук; 2-й курс, 1, 2 модуль)Рус
- Архив учебных курсов
Учебные курсы (2019/2020 уч. год)
- Байесовские методы в анализе данных (Магистратура; где читается: Факультет компьютерных наук; 2-й курс, 1, 2 модуль)Рус
- Введение в анализ данных (Майнор; где читается: Факультет компьютерных наук; 3, 4 модуль)Рус
- Машинное обучение (Бакалавриат; где читается: Факультет экономических наук; 4-й курс, 1, 2 модуль)Рус
- Машинное обучение (Бакалавриат; где читается: Факультет экономических наук; 3-й курс, 1, 2 модуль)Рус
Учебные курсы (2018/2019 уч. год)
- Введение в анализ данных (Майнор; где читается: Факультет компьютерных наук; 3, 4 модуль)Рус
- Машинное обучение (Магистратура; где читается: Факультет компьютерных наук; 1-й курс, 1, 2 модуль)Рус
Публикации7
- Глава книги Lobacheva E., Chirkova N., Kodryan M., Vetrov D. On Power Laws in Deep Ensembles, in: Advances in Neural Information Processing Systems 33 (NeurIPS 2020). Curran Associates, Inc., 2020. P. 2375-2385.
- Глава книги Lobacheva E., Chirkova N., Markovich A., Vetrov D. Structured Sparsification of Gated Recurrent Neural Networks, in: Thirty-Fourth AAAI Conference on Artificial Intelligence Vol. 34. Palo Alto, California USA: AAAI Press, 2020. Ch. 5938. P. 4989-4996. doi
- Глава книги Lobacheva E., Chirkova N., Markovich A., Vetrov D. Structured Sparsification of Gated Recurrent Neural Networks, in: Workshop on Context and Compositionality in Biological and Artificial Neural Systems, Thirty-third Conference on Neural Information Processing Systems. Vancouver : , 2019. P. 1-4.
- Глава книги Chirkova N., Lobacheva E., Vetrov D. Bayesian Compression for Natural Language Processing, in: Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics, 2018. P. 2910-2915.
- Глава книги Lobacheva E., Chirkova N., Vetrov D. Bayesian Sparsification of Gated Recurrent Neural Networks, in: Workshop on Compact Deep Neural Network Representation with Industrial Applications, Thirty-second Conference on Neural Information Processing Systems. Montréal : , 2018. P. 1-6.
- Глава книги Lobacheva E., Chirkova N., Vetrov D. Bayesian Sparsification of Recurrent Neural Networks, in: 1st Workshop on Learning to Generate Natural Language, International Conference on Machine Learning. , 2017. P. 1-8.
- Статья N. A. Chirkova, K. V. Vorontsov. Additive Regularization for Hierarchical Multimodal Topic Modeling // Journal of machine learning and data analysis. 2016. Vol. 2. No. 2. P. 187-200. doi
Опыт работы
Младший разработчик-исследователь, ЗАО Антиплагиат, июль 2016 - август 2016. Разработка прототипа предметно-ориентированной поисковой системы, учитывающей иерархическую тематическую структуру набора текстов.
Ассистент, Специализация "Машинное обучение и анализ данных" на платформе Coursera, январь 2016 - март 2017. Разработка практических заданий для слушателей курса, поясняющих основные принципы работы алгоритмов машинного обучения.
Информация*
- Общий стаж: 4 года
- Научно-педагогический стаж: 3 года
Объявлены результаты отбора на трек магистратура — аспирантура
Подведены итоги первого набора на трек “магистратура – аспирантура”. Три студента будут обучаться в аспирантской школе по компьютерным наукам.
Три статьи сотрудников ФКН приняты на конференцию NeurIPS — 2020
NeurIPS, одна из крупнейших в мире конференций по машинному обучению, всегда пользуется большой популярностью, и в этом году на нее было подано 9 454 статьи, а принято — 1900. Среди них — три статьи сотрудников ФКН.
ФКН на NeurIPS 2019
C 8 по 14 декабря 2019 года в Ванкувере состоялась конференця NeurIPS, на которой выступали сотрудники и студенты факультета.
Сотрудники факультета представили результаты своих исследований на крупнейшей мировой конференции по машинному обучению NeurIPS
Сотрудники Факультета компьютерных наук представили свои доклады на ежегодной конференции Neural Information Processing Systems (NeurIPS), которая проходила с 2 по 8 декабря 2018 года в Монреале, Канада.
Faculty of Computer Science Staff Attend International Conference on Machine Learning
On August 6-11 the 34th International Conference on Machine Learning was held in Sydney, Australia. This conference is ranked A* by CORE, and is one of two leading conferences in the field of machine learning. It has been held annually since 2000, and this year, more than 1,000 participants from different countries took part.
Состоялся интенсив для преподавателей НИУ ВШЭ в рамках проекта Data Culture
14 и 15 июня в Московском офисе Яндекса состоялся интенсив для преподавателей и сотрудников НИУ ВШЭ, заинтересованных в тематике Data Science. Этот двухдневный цикл занятий проходил в рамках проекта Data Culture и был нацелен на подготовку преподавателей университета к участию в данном проекте.
'Machine Learning Algorithm Able to Find Data Patterns a Human Could Not'
In December 2016, five new international laboratories opened up at the Higher School of Economics, one of which was the International Laboratory of Deep Learning and Bayesian Methods. This lab focuses on combined neural Bayesian models that bring together two of the most successful paradigms in modern-day machine learning – the neural network paradigm and the Bayesian paradigm.
«Алгоритм машинного обучения умеет находить закономерности в данных, которые не видит человек»
В декабре 2016 года в Вышке были открыты пять новых международных лабораторий, в том числе Международная лаборатория глубинного обучения и байесовских методов. Предмет ее исследований — комбинированные нейробайесовские модели, объединяющие достоинства двух наиболее успешных в настоящее время парадигм машинного обучения — нейросетевой и байесовской.
